是视频搜索广告的业务逻辑和技术分享的学习笔记。
关键词
广告主： - 创建广告方案capaign，和capaign下的多条ads。 - 每个capaign和ads有budget上限。 - 每个ads有key words
Impression(展示)：有ML/SideBar/Bottom....
Workflow
Query Understand --> Select Ads (From Ads Store) --> Filter Ads --> Rank Ads --> Select Top K Ads --> Pricing --> Allocate Ads
Query Understand
主要步骤： - Query Clean: remove stop words like "a", "the" - Steming: "boy's toy car" --> "boy toy car" - Tokenize: hawaii hotel --> ['hawaii','hotel'] - Query rewrite : canon camera --> canon cameras, canon camera ，能match尽可能多的ads - Category: 树状结构。important feature in relevance and pclick model
Select Ads
主要步骤： - 根据ads key words 和 user query匹配，此时relevance就很重要。 - 比如用户搜"Nike running shoe"，那么"adidas running shoe"就比"nike soccer shoe"更合适，因为用户应该更注重 跑鞋，而不是nike。这时候用relevance score来衡量。 - 最暴力的relevance score: 倒排索引+onehot score。 - Learning to rank: 用机器学习方法，计算query 和 docs的score. 比如生成click的 pair <query, ad>，然后再人工标注是不是好的pair。此时有了训练label, 再加上一些feature，就可以机器学习了。 - Relevance model features: counting feature based on impression/click, Term similarity feature(BM25/TFIDF)
Filter Ads & Rank Ads
- 总之，先根据qualityScore删掉垃圾ads，然后根据rank score排序
- qualityScore = 0.75 * relevance + 0.75 pclick, 只是ad的质量
- rank score = qualityScore * bidPrice，考虑到了钱
- pclick, 是 <query, ad, user> score。 offline & online,略。
- 冷启动问题：ms利用yahoo买流量。
Slect Top K Ads
- 如上步骤，根据rank score排序
Ads Pricing
- 每个广告都会有个bid 出价 （bid理论上是auto bidding，不会高于max budget）
- 第二竞价：参与竞争某个位置的广告按照rank score 排序，然后rank score 最高的广告胜出，但是它花的钱是rank score 第二位的bid
Allocate Ads (是放在ML还是SideBar)
- 只看bid price。出价高的去mainline，出价低的去sidebar